Penerapan Algoritma Klasterisasi dan Klasifikasi pada Tingkat Kepentingan Sistem Pembelajaran di Universitas Terbuka
Abstract
Universitas Terbuka merupakan Perguruan Tinggi Negeri (PTN) ke-45 di Indonesia yang menerapkan sistem belajar terbuka dan jarak jauh, keberhasilan pembelajaran lebih ditentukan oleh adanya jiwa kemandirian dan motivasi tinggi dari mahasiswa. Untuk mengetahui keberhasilan sistem pembelajaran yang diberikan, dilakukan survei menggunakan kuesioner yang dibagikan kepada mahasiswa untuk mengetahui penilaian dari masing-masing mahasiswa. Tujuan dari penelitian ini adalah untuk mengklaster dan mengklasifikasi data hasil kuesioner tingkat kepentingan sistem pembelajaran Universitas Terbuka dengan menggunakan software RapidMiner 9.0.0.3. Metode klasterisasi yang digunakan adalah algoritma k-medoids, sedangkan metode yang digunakan untuk klasifikasi adalah algoritma Naïve Bayes, k-NN, dan C4.5. Dari pengolahan data tersebut didapatkan hasil 2 klaster dengan pembagian data sebanyak 273 pada klaster 0 dan klaster 1 sebanyak 97 data. Pada proses klasifikasi, algoritma Naïve Bayes memperoleh nilai akurasi paling tinggi dibandingkan dengan algoritma yang lain dengan nilai akurasi sebesar 72,70% dengan nilai AUC sebesar 0,499. Sedangkan algoritma k-NN memperoleh nilai akurasi sebesar 71,62% dengan nilai AUC sebesar 0,438 dan algoritma C4.5 memperoleh nilai akurasi sebesar 68,92% dengan nilai AUC sebesar 0,450.
Full Text:
PDF (Bahasa Indonesia)References
Ainun, E., Isti, W., & Fachri, S. (2020). IMPLEMENTASI ALGORITMA K - MEANS CLUSTERING TINGKAT KEPENTINGAN TAGIHAN RUMAH SAKIT DI PT PERTAMINA ( PERSERO ).
Amalia, D. R., Narasati, R., & Faqih, A. (2019). Perbandingan Hasil Klasifikasi Rasa Minuman Thai Tea yang Paling Digemari Menggunakan K-means dan K-medoids, 401–407.
Arianto, J. (2019). PENERAPAN DATA MINING UNTUK PENGELOMPOKAN PENDUDUK KURANG MAMPU DESA SAMBIREJO TIMUR DENGAN ALGORITMA K-MEDOIDS ( STUDI KASUS KANTOR KEPALA DESA SAMBIREJO TIMUR ), 3, 569–573. https://doi.org/10.30865/komik.v3i1.1660
Astria, C., Hartama, D., Windarto, A. P., & Sudahri, I. (2020). Pengembangan Metode Datamining K-Medoid Pada Kasus Distribusi Listrik di Indonesia, 276–281.
Damanik, I. I. P., Solikhun, Saragih, I. S., Parlina, I., Suhendro, D., & Wanto, A. (2019). Algoritma K-Medoids untuk Mengelompokkan Desa yang Memiliki Fasilitas Sekolah di Indonesia, (September), 520–527.
Defiyanti, S., Jajuli, M., & Rohmawati, N. W. (2017). Optimalisasi K - Medoid Dalam Pengklasteran Mahasiswa Pelamar Beasiswa Dengan Cubic Clustering Criterion, 3(1), 211–218.
Feblian, D., & Daihani, D. U. (2017). IMPLEMENTASI MODEL CRISP-DM UNTUK MENENTUKAN SALES PIPELINE PADA PT X, 1–12.
Hardiyanti, F., Tambunan, H. S., & Saragih, I. S. (2019). PENERAPAN METODE K-MEDOIDS CLUSTERING PADA PENANGANAN KASUS DIARE DI INDONESIA, 3(2012), 598–603. https://doi.org/10.30865/komik.v3i1.1666
Haryati, S., Sudarsono, A., & Suryana, E. (2015). IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4 . 5, 11(2), 130–138.
Iriadi, N., & Nuraeni, N. (2016). KAJIAN PENERAPAN METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 UNTUK PREDIKSI KELAYAKAN KREDIT PADA BANK MAYAPADA JAKARTA, 132–137.
Irmawaty, Iswanto, Y., & Nupikso, G. (2018). EFEKTIVITAS PEMBELIAN BUKU MATERI POKOK ( MODUL ) UT MELALUI TOKO BUKU ONLINE ( TBO ) ANTARA HARAPAN DAN, 32–38.
Kurniawati, I., Indrajit, R. E., & Fauzi, M. (2017). Peran Bussines Intelligence Dalam Menentukan Strategi Promosi Penerimaan Mahasiswa Baru, 1(2), 70–79.
Nawangsih, I., & Amirudin. (2019). PENERAPAN ALGORITMA C4.5 UNTUK PREDIKSI AKURASI KEPUASAN PELANGGAN PO. SINAR JAYA, 8(1), 2009–2012.
Ningsih, S. R., Damanik, I. S., Windarto, A. P., Tambunan, S. H., & Wanto, A. (2019). Analisis K-Medoids Dalam Pengelompokkan Penduduk Buta Huruf Menurut Provinsi, (September), 721–730.
Pramesti, D. F., Furqon, M. T., & Dewi, C. (2017). Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan / Lahan Berdasarkan Persebaran Titik Panas ( Hotspot ), 1(9), 723–732.
Rahmadi, M., Kaurie, F., & Susanti, T. (2020). Uji Akurasi Dataset Pasien Pasca Operasi Menggunakan Algoritma Naïve Bayes Menggunakan Weka Tools, 7(1), 134–139. https://doi.org/10.30865/jurikom.v7i1.1761
Riadi, M., Azhar, Y., & Wicaksono, G. W. (2020). Implementasi Algoritma C5 . 0 Dan K-Medoids Untuk Klasterisasi, 2(4), 511–523.
Septiani, W. D. (2017). KOMPARASI METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT HEPATITIS, 13(1), 76–84.
Simamora, D. A. S., Furqon, M. T., & Priyambadha, B. (2017). Clustering Data Kejadian Tsunami Yang Disebabkan Oleh Gempa Bumi Dengan Menggunakan Algoritma K-Medoids, 1(8), 635–640.
Sundari, S., Damanik, I. S., Windarto, A. P., Tambunan, H. S., Jalaluddin, & Wanto, A. (2019). Analisis K-Medoids Clustering Dalam Pengelompokkan Data Imunisasi Campak Balita di Indonesia, (September), 687–696.
Wira, B., Budianto, A. E., & Wiguna, A. S. (2019). IMPLEMENTASI METODE K-MEDOIDS CLUSTERING UNTUK MENGETAHUI POLA PEMILIHAN PROGRAM STUDI MAHASIWA BARU TAHUN 2018 DI UNIVERSITAS KANJURUHAN MALANG, 1(3), 54–69.
Yunita, F. (2018). Yunita, Penerapan Data Mining Menggunkan Algoritma K-Means Clustring Pada Penerimaan Mahasiswa Baru (Studi Kasus : Universitas Islam Indragiri) 1 238, 7(September), 238–249.
DOI: https://doi.org/10.31294/swabumi.v8i2.8385
INDEXING
P-ISSN : 2355-990X E-ISSN: 2549-5178
